Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Algorytmy Ewolucyjne i Sztuczne Sieci Neuronowew Układach Diagnostyki i Sterowania
Marcin Witczak
Instytut Sterowania i Systemów InformatycznychUniwersytet Zielonogórski
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 1/38
Instytut Sterowania i SystemówInformatycznych
PLAN WYSTĄPIENIA
➥ Wprowadzenie do problemu projektowania systemów sterowania i diagnostyki
technicznej
➥ Przegląd rozwiązań wykorzystujących algorytmy ewolucyjne
➥ Przykład zastosowania
➠ Identyfikacja z zastosowaniem programowania genetycznego (GP)
➠ Projektowanie obserwatora o nieznanym wejściu z zastosowaniem GP
➠ Detekcja uszkodzeń
➥ Przegląd rozwiązań wykorzystujących sztuczne sieci neuronowe
➥ Przykład zastosowania
➠ Projektowanie odpornych systemów diagnostycznych z zastosowaniem sieci
neuronowych typu GMDH
➠ Detekcja uszkodzeń
➥ Podsumowanie
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 2/38
Instytut Sterowania i SystemówInformatycznych
System DiagnostycznyRekonfiguracja regulatora
Informacja o uszkodzeniach
Regulator
yref
yu
Nieznane wejscie
Uszkodzenia
Proces
Model
Obserwator
Czujniki
pomiarowe
Urzadzenia wykonwcze
Obs
Act Senso
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 3/38
Instytut Sterowania i SystemówInformatycznych
➪ PRZEGLĄD ROZWIĄZAŃ WYKORZYSTUJĄCYCH ALGORYTMYEWOLUCYJNE
➠ Projektowanie regulatorów
➟ Estymacja parametrów regulatora PID: Oliveira i inni (1991): W
Engineering Systems with Intelligence. Concepts, Tools and Applications
➟ Estymacja parametrów regulatora LQG: Mei i Goodal (2000): IEE
Proceedings - Control Theory and Applications, Vol. 147 No. 1
➟ Estymacja parametrów odpornego regulatora LQG (z wykorzystaniem
techniki Monte Carlo): Marrison i Stengel (1997): IEEE Trans. Automat
Control, Vol. 42, No. 6
➟ Wyznaczanie optymalnej sekwencji sterowania w sterowaniu predykcyjnym
z wykorzystaniem modelu: Onnen i inni (1997): Control Eng. Practice Vol.
5, No. 10
➟ Wyznaczanie struktury i parametrów regulatora: Koza i inni (2000):
Genetic Programming and Evolvable Machines
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 4/38
Instytut Sterowania i SystemówInformatycznych
➟ Wyznaczanie struktury i parametrów regulatora: Chipperfield i Fleming(1996): IEEE Trans. Industrial Electronics, Vol. 43, No. 5
➟ Wyznaczanie parametrów regulatorów neuro-rozmytych: Linkens iNyongensa (1996): IEE Proc. Control Theory and Applications, Vol. 143,No. 4; Sette i inni (1998): Vol. 6, No. 4
➟ Sterowanie adaptacyjne z zastosowaniem populacji regulatorów: Lennon iPassino (1998): Engineering Applications of Artificial Intelligence, Vol. 12pp. 185–200
➟ Sterowanie iteracyjne z uczeniem: Hatzikos i inni (2004): Int. J. Control,Vol. 77, No. 2
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 5/38
Instytut Sterowania i SystemówInformatycznych
➠ Projektowanie obserwatorów
➟ Projektowanie odpornych obserwator dla systemów liniowych: Kowalczuki Białaszewski (2004): W Korbicz i inni: Fault Diagnosis, Models,Artificial Intelligence, Applications; Chen i Patton (1999): RobustModel-Based Fault Diagnosis for Dynamic Systems
➟ Projektowanie obserwatorów adaptacyjnych dla systemów nieliniowych:Moyne i inni (1994): Eng. App. Artif. Intell, Vol. 8, No. 3
➟ Projektowanie rozszerzonego obserwatora o nieznanym wejściu dlasystemów nieliniowych: Witczak, Obuchowicz i Korbicz (2002): Int. J.Control, Vol. 75, No. 13; Witczak i Korbicz (2004): W Korbicz i inni:Fault Diagnosis, Models, Artificial Intelligence, Applications
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 6/38
Instytut Sterowania i SystemówInformatycznych
➠ Identyfikacja i modelowanie
➟ Wyznaczanie struktury i parametrów modelu neuronowego: Korbicz iinni (2004): Fault Diagnosis, Models, Artificial Intelligence, Applications;Duch i inni (2000): Sieci Neuronowe
➟ Planowanie eksperymentu dla sztucznych sieci neuronowych: Witczak iPrętki (2005): Computer Assisted Mechanics and Eng. Sciences
➟ Wyznaczanie struktury i parametrów modelu Witczak, Obuchowicz iKorbicz (2002): Int. J. Control, Vol. 75, No. 13; Witczak i Korbicz(2004): W Korbicz i inni: Fault Diagnosis, Models, Artificial Intelligence,Applications; Metenidis, Witczak i Korbicz (2004): Eng. App. Artif.Intell, Vol. 8, No. 3
➟ Poszukiwanie minimalnej struktury modelu dla nieliniowych systemówdynamicznych: Mao i Billings (1997): Int. J. Contr., Vol. 68, No. 2
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 7/38
Instytut Sterowania i SystemówInformatycznych
➠ Diagnostyka techniczna
➟ Wymienione prace dla obserwatorów
➟ Projektowanie modeli dla celów diagnostyki technicznej
➟ Projektowanie klasyfikatorów: Chen i inni (2003): Eng. App.Artif. Intell, Vol. 16, pp. 31-38;
➟ Projektowanie systemów ekspertowych i rozmytych: Koza(1992): Genetic Programming
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 8/38
Instytut Sterowania i SystemówInformatycznych
➪ PRZYKŁAD ZASTOSOWANIA
■ Identyfikacja systemów z zastosowaniem GP
o1
o2 o3
t1 t2 t3 t4
■ Zbiory stałych i zmiennych oraz operatorów matematycznych
T = {ti | i = 1, . . . , nt} F = {oi | i = 1, . . . , no}
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 9/38
Instytut Sterowania i SystemówInformatycznych
■ ALGORYTM GP
Inicjalizacja
Selekcja
Tymczasowa populacja
Krzyżowanie i Mutacja
Nowa populacja
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 10/38
Instytut Sterowania i SystemówInformatycznych
❏ PROBLEMY Z PARAMETRAMI MODELU
T = {yk−1, yk−2, uk−1, uk−2, 1}, F = {+, ∗,−, /}
yk = 3.14yk−1uk−1 + yk−2 + uk−2
❏ Drzewo z parametrami
yk−1 uk−1 yk−2 uk−2
+
+
∗
p1
p2 p3
p4 p5 p6 p7
yk = p1p2p4p5yk−1uk−1 + p1p3p6yk−2 + p1p3p7uk−2
❏ Reguły redukcji parametrów
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 11/38
Instytut Sterowania i SystemówInformatycznych
➪ OPIS SYSTEMU W PRZESTRZENI STANÓW
xk+1 = A(xk)xk + h(uk)
yk+1 = Cxk+1
A(xk) = diag[a1,1(xk), a2,2(xk), . . . , an,n(xk)]
i
ai,i(xk) = tgh(si,i(xk)), i = 1, . . . , n,
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 12/38
Instytut Sterowania i SystemówInformatycznych
☛ OBSERWATOR O NIEZNANYM WEJŚCIU (UIO)
❐ Liniowy system dyskretny
xk+1 = Akxk +Bkuk +Ekdk +wk
yk = Ckxk + vk
gdzie
■ xk ∈ Rn - stan
■ yk ∈ Rm - wyjście
■ uk ∈ Rr - wejście
■ dk ∈ Rq - nieznane wejście
■ wk and vk szumy procesu i pomiarów o macierzach kowariancji Qk iRk
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 13/38
Instytut Sterowania i SystemówInformatycznych
❐ UIO dla liniowych systemów stochastycznych
zk+1 = F k+1zk + T k+1Bkuk +Kk+1yk
xk+1 = zk+1 +Hk+1yk+1
❐ Alternatywna postać
xk+1 = xk+1/k +Hk+1εk+1/k +K1,k+1εk
gdzie
xk+1/k = Akxk +Bkuk
εk+1/k = yk+1 − yk+1/k = yk+1 −Ck+1xk+1/k
εk = yk − yk
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 14/38
Instytut Sterowania i SystemówInformatycznych
❐ ELIMINACJA NIEZNANEGO WEJŚCIA
Warunek konieczny (Chen and Patton, 1999)
rank(Ck+1Ek) = rank(Ek)
i rozwiązanie
H∗k+1 = Ek[
(Ck+1Ek)TCk+1Ek]−1(Ck+1Ek)T
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 15/38
Instytut Sterowania i SystemówInformatycznych
☛ ROZSZERZONY UIO (EUIO)
❐ Klasa systemów nieliniowych
xk+1 = g(xk) + h(uk) +Ekdk
yk+1 = Ck+1xk+1
❐ Linearyzacja wokół aktualnej estymaty stanu xk
Ak =∂g(xk)∂xk
∣
∣
∣
∣
xk=xk
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 16/38
Instytut Sterowania i SystemówInformatycznych
➠ ZBIEŻNOŚĆ EUIO
❐ Główny cel - wykazać istotność odpowiedniego doboru macierzyinstrumentalnych Qk i Rk
■ Błąd estymacji stanu
ek+1 = xk+1 − xk+1 = ek+1/k −Hk+1εk+1/k −K1,k+1εk
■ Klasyczna linearyzacja
ek+1/k ≈ Akek +Ekdk
■ Proponowane rozwiązanie
ek+1/k = αkAkek +Ekdk
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 17/38
Instytut Sterowania i SystemówInformatycznych
❐ ANALIZA ZBIEŻNOŚCI Z ZASTOSOWANIEM METODY LAPUNOWA
Celem jest wyznaczenie warunków przy których sekwencja {Vk}∞k=0,określona przez funkcję Lapunowa
Vk+1 = eTk+1A−T1,k+1[P
′
k+1]−1A−11,k+1ek+1
jest malejąca. Sekwencja {Vk}∞k=0 jest malejąca jeżeli istnieje stała 0 < ζ < 1taka, że
Vk+1 − (1− ζ)Vk ¬ 0
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 18/38
Instytut Sterowania i SystemówInformatycznych
❐ WARUNKI ZBIEŻNOŚCI(Witczak et al., 2002, International Journal of Control, Vol. 75, No. 13)
σ (αk) ¬ γ1 =σ (Ak)σ (Ak)
(1− ζ)σ (P k)
σ(
A1,kP′
kAT1,k
)
1
2
σ (αk − I) ¬ γ2 =σ (Ak)σ (Ak)
σ(
CTk
)
σ (Ck)
σ(
CTk
)
σ (Ck)
σ (Rk)
σ(
CkP kCTk +Rk
)
1
2
❐ Jeśli
P k = A1,kP′
kAT1,k + T kQk−1T
Tk +HkRkH
Tk
oczywistym jest, że odpowiedni wybór macierzy instrumentalnych Qk−1 iRk może zwiększyć wartości graniczne γ1 and γ2, w konsekwencjizapewniając zbieżność obserwatora
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 19/38
Instytut Sterowania i SystemówInformatycznych
❐ KOMPROMIS POMIĘDZY ZBIEŻNOŚCIĄ A SZYBKOŚCIĄZBIEŻNOŚCI
Odpowiedni dobór macierzy instrumentalnych
Qk−1 = β1εTk−1εk−1I + δ1I
Rk = β2εTk εkI + δ2I
gdzie β1, β2 wystarczająco duże i δ1, δ2 wystarczająco małe stałe nieujemne
❐ Wyznaczanie macierzy Qk i Rk z zastosowaniem programowaniagenetycznego
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 20/38
Instytut Sterowania i SystemówInformatycznych
❐ Estymacja stanu silnika elektrycznegoz zastosowaniem rozszerzonego obserwatora o nieznanym wejściu
x1,k+1 = x1,k + h(−γx1k + KTr x3k +Kpx5kx4k +1σLsu1k)
x2,k+1 = x2,k + h(−γx2k +Kpx5kx3k + KTr x4k +1σLsu2k)
x3,k+1 = x3,k + h(MTr x1k −1Trx3k − px5kx4k)
x4,k+1 = x4,k + h(MTr x2k − px5kx3k −1Trx4k)
x5,k+1 = x5,k + h(pMJLr(x3kx2k − x4kx1k)− TLJ )
y1,k+1 = x1,k+1, y2,k+1 = x2,k+1
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 21/38
Instytut Sterowania i SystemówInformatycznych
❐ Badanie wpływu macierzy instrumentalnych na zbieżność obserwatora
Założenia: x0 = 0, dk = 0, x0 = (200, 200, 50, 50, 300)
Przypadek 1: Klasyczne podejście (stałe wartości), tzn.
Qk−1 = 0.1, Rk = 0.1
Przypadek 2: Proponowane rozwiązanie, tzn.
Qk−1 = 103εTk−1εk−1I + 0.01I, Rk = 10ε
Tk εkI + 0.01I
Przypadek 3: Zastosowanie GP do wyznaczania Qk i Rk.
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 22/38
Instytut Sterowania i SystemówInformatycznych
■ Norma błędu estymacji stanu ‖ek‖2 dla Przypadku 1,Przypadku 2 (przerywana) i Przypadku 3 (ciągła)
100
101
102
103
104
0
100
200
300
400
500
600
700
Czas dyskretny
‖ek‖2
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 23/38
Instytut Sterowania i SystemówInformatycznych
☛ DAMADICS BENCHMARK
❐ Schemat pierwszej części stacji wyparnej
R
R
R
%
%
%
%
Actuator
m /h3
F51_01
LC51_01
LC51_03
TC51_05
PC51_01
kPa
Co
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 24/38
Instytut Sterowania i SystemówInformatycznych
■ SCHEMAT IDEOWY ROZWAŻANEGO URZĄDZENIA
Valve
S
Z1
Z2
Z3
T1 P1 P2
F
CV
X
ACQ
PP
PC
E/P CPU
PS
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 25/38
Instytut Sterowania i SystemówInformatycznych
■ Ogólna postać modelowanej zależności
y = f(u), y = (X,F ), u = (P1, P2, T1, CV )
■ Liniowy model w przestrzeni stanów?
■ Model nieliniowy otrzymany za pomocą GPZbiory zmiennych i operatorów
TA = {xk}, Th = {uk}
F = {+, ∗, /}.
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 26/38
Instytut Sterowania i SystemówInformatycznych
■ Model nieliniowy
xk+1 =
[
AF (xk) 0
0 AX
]
xk +
[
h(uk)
BXuk
]
yk+1 = Cxk+1
gdzie
AF (xk) =
0.3tanh
(
10x21,k+ 23x1,kx2,k +
26x1,k
x2,k+0.01
)
0
0 0.15tanh
(
5x22,k+1.5x1,k
x21,k+0.01
)
AX =
[
0.78786 −0.28319
0.41252 −0.84448
]
BX =
[
2.3695 −1.3587 −0.29929 1.1361
12.269 −10.042 2.516 0.83162
]
h(uk) =
−1.087u21,k+ 0.0629u2
2,k− 0.5019u2
3,k− 3.0108u2
4,k
+0.9491(u1,ku2,k − u1,ku3,k)− 0.5409u1,ku4,k
u2,ku3,k+0.01+ 0.9783
−0.292u21,k+ 0.0162u2
2,k− 0.1289u2
3,k− 0.7733u2
4,k
+0.2438(u1,ku2,k − u1,ku3,k)− 0.1389u1,ku4,k
u2,ku3,k+0.01+ 0.2513
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 27/38
Instytut Sterowania i SystemówInformatycznych
■ PORÓWNANIE WYJŚCIA MODELU (NIEBIESKI) I SYSTEMU(CZERWONY)
0 200 400 600 800 1000 12000
0.2
0.4
0.6
0.8
1
1.2
1.4
1
Czas dyskretny
y 1,k
0 200 400 600 800 1000 12000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
2
Czas dyskretnyy 2,k
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 28/38
Instytut Sterowania i SystemówInformatycznych
■ PORÓWNANIE WYJŚCIA EUIO (NIEBIESKI) I SYSTEMU(CZERWONY)
0 200 400 600 800 1000 12000
0.2
0.4
0.6
0.8
1
1.2
1.4
1
Czas dyskretny
y 1,k
0 200 400 600 800 1000 12000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
2
Czas dyskretnyy 2,k
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 29/38
Instytut Sterowania i SystemówInformatycznych
D - wykrywalny, N - niewykrywalny
Uszkodzenie Opis S M B
f1 Valve clogging D D D
f2 Valve plug or valve seat sedimentation D
f7 Medium evaporation or critical flow D D D
f8 Twisted servomotor’s piston rod N N N
f10 Servomotor’s diaphragm perforation D D D
f11 Servomotor’s spring fault D
f12 Electro-pneumatic transducer fault N N D
f13 Rod displacement sensor fault D D D
f15 Positioner feedback fault D
f16 Positioner supply pressure drop N N D
f17 Unexpected pressure change across the valve D
f18 Fully or partly opened bypass valves D D D
f19 Flow rate sensor fault D D D
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 30/38
Instytut Sterowania i SystemówInformatycznych
➪ PRZEGLĄD ROZWIĄZAŃ WYKORZYSTUJĄCYCH SZTUCZNE SIECINEURONOWE
➠ Projektowanie systemów sterowania: Neural Networks for Modelling and
Control of Dynamic Systems. - Norgaard i inni (2000): Springer-Verlag, London
➠ Identyfikacja i modelowanie: Korbicz i inni (2004): Fault Diagnosis, Models,
Artificial Intelligence, Applications; Duch i inni (2000): Sieci Neuronowe
➠ Diagnostyka techniczna
➟ Klasyczny układ detekcji uszkodzeń z modelem neuronowym: Korbicz i inni
(2004): Fault Diagnosis, Models, Artificial Intelligence, Applications; Chen i
Patton (1999): Robust Model-Based Fault Diagnosis for Dynamic Systems
➟ Odporne neuronowe systemy diagnostyczne: Witczak, Korbicz, Mrugalski i
Patton (2005): Control Eng. Practice; Witczak i Prętki (2005): Computer
Assisted Mechanics and Eng. Sciences
➟ Projektowanie klasyfikatorów: Marciniak i Korbicz (2004): W Korbicz i inni
(2004): Fault Diagnosis, Models, Artificial Intelligence, Applications
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 31/38
Instytut Sterowania i SystemówInformatycznych
➪ PRZYKŁAD ZASTOSOWANIA
■ Problem odpornej detekcji uszkodzeń
...
+_
_
_
S
u y
ym,0
ym,1
ym,n
r0
r1
rn
f
Bank modeli Generator residuum Podejmowanie decyzji
Uszkodzenia
Nominalny model
Model uszkodzenia (1)
Model uszkodzenia (n)
FDI
System
0 200 400 600 800 1000 1200−2.5
−2
−1.5
−1
−0.5
0
0.5
1
1.5
2
2.5
0 200 400 600 800 1000 1200−2.5
−2
−1.5
−1
−0.5
0
0.5
1
1.5
2
2.5
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 32/38
Instytut Sterowania i SystemówInformatycznych
❐ Zasada działania algorytmu GMDH
...
...
S
E
L
E
K
C
J
A
S
E
L
E
K
C
J
A
...
...
...
u(0)1
u(0)2
u(0)3
u(0)m
y(l)1
y(l)n
y(l)N
y(L)1
y(L)N
y(L)opt
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 33/38
Instytut Sterowania i SystemówInformatycznych
❐ Końcowa struktura sieci neuronowej GMDH
......
...
...
...
u(1)1
u(1)2
u(1)3
u(1)m
y(1)1
y(1)n
y(1)N
y(l)1
y(l)n
y(l)N
y(L)opt
❐ Błędy strukturalne przy estymacji poszczególnych neuronów
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 34/38
Instytut Sterowania i SystemówInformatycznych
☛ Zastosowanie estymacji przy ograniczonych wartościach błędów do estymacjiparametrów i ich przedziałów ufności - Witczak, Korbicz, Mrugalski iPatton (2005): Control Eng. Practice
• Propagacja niepewności w sieci neuronowej GMDH
u1
u2
u3
yk
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 35/38
Instytut Sterowania i SystemówInformatycznych
❐ Dynamiczna sieć neuronowa GMDH
...
...
...
...
z−1
z−1
z−1
z−1
z−1
z−1
b1,0
b1,1
b1,nu
bnu,0
bnu,1
bnu,nb
a1
any
u1(k)
unu(k)
y(k)∑
y(k)
y(k)ξ(·)
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 36/38
Instytut Sterowania i SystemówInformatycznych
❐ Struktury sieci neuronowych dla problemu DAMADICS
X
P1
P2
T
F
Cv
P1
P2
T
X
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 37/38
Instytut Sterowania i SystemówInformatycznych
❐ Adaptacyjne progi decyzyjne dla F (z lewej) i X (z prawej)
0 100 200 300 400 500 600 700 800 900 1000
−2
0
2
4
6
8
10
k0 100 200 300 400 500 600 700 800 900 1000
−4
−3
−2
−1
0
1
2
k
Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 38/38
Instytut Sterowania i SystemówInformatycznych
☛ PODSUMOWANIE
✎ Algorytmy ewolucyjne i sztuczne sieci mogą być z powodzeniemstosowane w sytuacjach, w których klasyczne techniki nie mogą byćzastosowane lub nie dają oczekiwanych rezultatów
✎ Algorytmy ewolucyjne stanowią „odporne” narzędzie optymalizacji,które można zastosować do rozwiązywania problemów: źleuwarunkowanych, wielomodalnych, wielokryterialnych, itd.
✎ Ze względu na dużą złożoność obliczeniową, algorytmy ewolucyjne sąrzadko kiedy stosowane w problemach optymalizacji on-line
✎ Wiele opracowań prezentowanych w literaturze dowodzi, że sztuczne siecineuronowe stanowią znakomite rozwiązanie wielu problemów automatykii robotyki
✎ Podstawowe problemy zawiązane z zastosowaniem sieci neuronowychwiążą się z: planowaniem eksperymentu, doborem struktury i estymacjąparametrów